制造企业如何利用机器学习提升效率？

人工智能和机器学习正在全面颠覆制造业，从可以自动优化设计零件的生成设计软件，到可以在故障发生前预测问题的预测性维护系统。这些新技术可以为制造企业大幅度降低成本，提高质量和生产力。

近日，SME Org 的一篇文章中，Ed Sinkora 深入调研了全球顶尖的先进制造提供商商对机械加工中的机器学习技术推进突破思路。

理论上，有了足够的数据和正确的算法，人工智能和机器学习可以评估机器状况，调整程序以提高吞吐量或质量，甚至更多。但制造商必须谨慎选择人工智能之战，部分基于机床和控制制造商提供的信息。

1

零件设计新魔法

创成式设计是智能设计典型案例。

创成式设计是一种通过算法自动生成满足设计目标和约束条件的零件几何形状的技术。Oqton企业首席技术官Kirill Volchek补充道：“工程意图确定了零件需要承受的特定载荷情况，还可以定义拟容纳零件的空间。然后算法根据载荷情况设计出功能最优的零件。”

据Volchek介绍，与此同时，算法还可以快速探索可选方案，例如最小化材料用量或优化某些区域的载荷。这超越了简单复制人工设计工作，因为AI可以考虑像3D打印金属零件那样的材料微结构。这种更广泛的“智能”带来了更令人激动的可能性。Volchek将其描述为一个迭代的、寻求目标的过程，但仍然是基于物理学的。

另一方面，Volchek提出，随着计算机做出超越物理的设计决策，机器学习技术正在逐步脱颖而出。

例如，通过训练，计算机在创成式“设计”中，将能够考虑更多特定制造领域的条件。“使用增材制造工艺的零件设计生成结果应该与那些计划使用铸造或数控加工的零件不同。” Volchek补充道。

笔者大胆猜想，增材制造的创成式设计机器学习，当能考虑：

增材制造与传统方法具有不同的能力。例如，增材制造可以产生传统铸造或CNC加工无法实现的高度复杂的几何结构。算法可以利用这一点设计新的形状。

增材制造有不同的设计规则和约束。某些方向需要支持结构，悬空部分需要限制等。算法需要考虑这些增材制造的独特因素。

与传统方法相比，增材制造可以得到不同的材料性能和微观结构。生成设计软件应该针对所使用的增材工艺优化几何形状。

增材制造提供更大的设计自由度和定制化。算法可以探索更广阔的设计空间，生成针对特定应用需求的设计。

为了提高增材制造的效率，几何形状应该优化以减少成形时间、材料用量等。算法可以将所有这些都考虑在内。

充分利用增材制造的能力和细微差别，生成设计方法需要针对特定的增材工艺进行定制，而不是简单拷贝传统设计方法。   更广泛的“智能”提升空间无疑为制造业带来了更多崭新可能性。

AI 可以自动识别和分类独特的牙科植入物，然后创建 3D 打印程序，包括支撑结构，同时将数十个零件嵌套在构建托盘上，以最大限度地提高吞吐量。Oqton 的创成式设计软件采用增材制造技术和 FEA 模拟的先进设计，创造了这款碳捕获制冷机。

2

无人值守的黑灯工厂

AI也正在实现制造过程的“无人值守”自动化，帮助制造业克服人力资源紧缺的挑战，就像自动驾驶汽车使个人出行自动化一样。   “假设您有一个制造部门，每天需要生产数千个独特的零件，” Volchek指出：“数量太多了，不可能请工程师参与每个零件的制造工艺。”他指出，这是一些客户每天都会遇到的挑战。   Volchek介绍，Oqton 企业成立于五年前，通过使用大量数据训练他们的机器学习算法，这些算法可以将某些制造领域转变为完全自动“驾驶”的生产产线。例如数字化齿科种植体、义齿的 3D 打印生产， Volchek 介绍，每位患者的种植体虽然大致相似，但都是独一无二的，因此无法使用传统的批量生产方式进行管理，而需要使用小量多批、定制化生产的柔性生产管理思路。

  Oqton 的人工智能技术能够分析生产订单需求中的的三维几何形状，对零件进行智能分类、并根据形状特征计算得出最优的打印工艺方案，如3D打印工艺中的支撑结构添加（支撑越少、物料和后处理成本越低）、零件排版打印（产量越多、时间物料和人力成本越低）等等。   “棒极了。我们的设计师将零件设计模型拖到一个文件夹里，Oqton 软件就自动为我们完成了所有的工艺编程，”密歇根州伯明翰Motor City Lab Works的所有者兼正畸医生约翰·杜马斯 (John Dumas) 说道：“然后我们就可以直接到3D打印机上进行生产了。”他补充道。   正如Volchek介绍，Oqton 的Manufacturing OS不仅能使工艺编程的成功率接近 100%，而且还可以与企业 ERP 系统连接、智能排程排产、将加工程序发送到指定设备准备加工。  

义齿和正畸3D打印是自动化生产的最佳示例之一，另外还有其他巨头看到其中的可能行。   2022年，Oqton 与总部位于休斯敦的 贝克休斯（Baker Hughes Co. ）签订了合作协议，以实现石油和天然气零件 3D 打印的自动化。   但是，正如 Volchek 指出的那样，3D 打印仅占所有制造业的 0.1% 左右。机器学习对剩下的99.9%传统加工技术，有什么影响呢？

海德汉（Heidenhain）的集成过程监控可了解生产优质零件的整个切割过程中每个轴所经历的速度、进给和扭矩，然后跟踪并显示任何偏差，以便随后进行分析和调整。（海德汉提供）

3

减材加工的工艺优化

增材制造工艺使用三维模型进行生产，能够为机器学习算法提供足量学习样本。传统减材加工很大部分是使用绘制的2D工程图，在学习样本收集上面临更大的挑战。另一方面，海德汉（Heidenhain）等一些传统机加工企业倾向于将数据储存在企业内部的服务器，发那科也采用类似的内部监控软件方法。机器学习很难收集到足量的减材加工学习样本。   虽然要实现AI完全实现无人监管生产，可能还需要更多的数据共享，但仍可以在减材加工数据上做很多工作。   海德汉在IMTS2022 上和TNC7控制器一同发布了集成过程监控软件（Integrated Process Monitoring，IPC），能够采集每个轴在整个切割过程中所经历的速度、进给和扭矩，然后跟踪并显示任何偏差以进行分析和调整。

  首先需要进行“标定”试验，使用CMM检测通过后，即可为加工运动建立公差接受体系，例如，X、Y 和 Z 运动的速度和进给可能保持在理想值的 ±5% 范围内，而主轴扭矩的变化不能超过 20%。   IPC 跟踪所有后续零件上的每个加工运动，并以 3D 方式以图形方式显示生成的零件，对每个表面着色以突出显示任何变化。如果每个表面都是绿色的，则可以确定零件生产符合公差标准，而无需再次使用探头或相机进行测量（假设设置了合理的公差）。任何显示为黄色的表面都表示某些内容已发生变化，应进行调查。红色表示存在重大偏差，表明该部件可能不可接受。   整个过程被实时绘制并记录，因此用户可以看到每个机器运动在公差带内的保持情况。如果每个频段太紧或太松，操作员可以进行调整。而且，如果颜色编码表明需要进行质量检查，Ledvon 说，操作员可以专注于红色和黄色区域。这可以减少 80% 的检查时间。

4预测性维护提升OEE

预测性维护是一个被机器学习彻底改变的领域。通过分析大量难以觉察的相关数据，AI可以提前数月发现树脂质量问题或故障热交换器等隐藏的问题。这使得制造商可以主动防患于未然，减少停机。   内饰件制造商CpK使用AI找到其最大的停机原因后，将换型时间缩短了50%，全面设备效率提升了10%。   “我们提供了 20 种不同的数据，例如电机安培数、电机速度、水温和水流量，”生产经理 Chris Murray 解释道：“通过使用这些数据，我们可以集中精力进行持续改进项目，我们的停机时间很大一部分是设置、转换和停机。我们能够将转换时间缩短约 50%。”   发那科（Fanuc）的AI伺服监控则仅使用电机转速和扭矩数据，就可以通过快速傅立叶变换算法预测机械故障。“在获得足够的数据来确定正常情况后，它会为每个轴建立我们所说的‘异常分数’，”机床数据收集和连接项目经理 Robert Taylor 解释道。“每天它都会收集更多数据并提供另一组数字分数，并将它们与第一组模型进行比较。”  

5重点不在AI

而在明智的投资选择

相比投资尖端AI或机器学习技术，明智的制造商充分利用现有控制系统中的监控功能。   海德汉的状态监控可以连接传感器数据，如冷却液位和扭矩。发那科的MT-LINKi可以在全工厂显示机器状态，更好地管理生产力。从有针对性的应用入手可以发挥最大效益。   总之，AI和机器学习正在从设计到维护、质量控制等方面改变制造业。但是企业必须仔细评估这些技术哪些地方可以带来最大效益，而不是直接追求尖端的AI技术。利用扩展的智能获得有针对性的收益，才是使用AI的正确打开方式。

编辑：黄飞